基于酸白区的宫癌分级的性能比较

科学领域:

• 瘤学 在瘤学方面.
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 宫癌是全球女性的主要健康问题,需要准确及时诊断.
• 酸白区域及其边缘对于分期宫癌至关重要,但它们用于分类的自动化分析尚未发展.

研究的目的:

• 提高宫癌检测的诊断准确度和分级精度.
• 评估包括围绕酸白色病变的边缘对自动分类性能的影响.

主要方法:

• 分析了464张宫图像 (228张非典型图像,236张阳性图像),使用了四种分类器:逻辑回归 (LR),随机森林 (RF),XGBoost (XGB) 和支持矢量机 (SVM).
• 功能重要性分析,从最初的75个组中确定前5个特征.
• 接收器操作特征 (ROC) 分析,以比较分类器性能,在酸白色损伤周围有或没有10像素边缘.

主要成果:

• 使用包括10像素边缘在内的面具进行训练的分类器通常显示出与仅在病变上进行训练的分类器相比,性能有所改善.
• 支持矢量机 (SVM) 在与边际训练时达到最高精度 (0.87,CI 95% 0.78-0.95).
• 随着利率的纳入,XGBoost (XGB) 的业绩显著提高,达到0.84 (CI 95% 0.75-0.93).

结论:

• 在酸白色病变周围包括10像素边缘,可以提高自动化宫图像分类的性能.
• 这种包含边际的方法为改善宫癌检测的自动分级和诊断准确性提供了一个有希望的策略.